[发明专利]数据分类方法、装置、电子设备及存储介质

权利要求书

1.一种数据分类方法，其特征在于，包括：

获取待处理的视频数据；

将所述视频数据输入预先训练好的用于对视频数据进行分类的数据分类模型；

利用所述数据分类模型，对所述视频数据进行视频特征提取；分别采用第一映射算法和第二映射算法对提取的视频特征进行映射，获得第一logits向量和第二logits向量；根据所述第一logits向量计算所述视频数据属于各个视频类别的预测置信度；用所述预测置信度对所述第二logits向量进行加权计算，获得加权后的第二logits向量；根据加权后的所述第二logits向量，确定视频分类结果；

获得所述数据分类模型输出的视频分类结果。

2.根据权利要求1所述的数据分类方法，其特征在于，所述数据分类模型为预先训练好的卷积神经网络模型；

所述预先训练好的卷积神经网络模型，包括：卷积层、池化层、第一全连接层、第二全连接层、Sigmoid层、附加层、Softmax层和输出层；

所述利用所述数据分类模型，对所述视频数据进行视频特征提取；分别采用第一映射算法和第二映射算法对提取的视频特征进行映射，获得第一logits向量和第二logits向量；根据所述第一logits向量计算所述视频数据属于各个视频类别的预测置信度；用所述预测置信度对所述第二logits向量进行调整；根据调整后的所述第二logits向量，确定视频分类结果的步骤，包括：

将所述视频数据输入所述卷积神经网络模型的卷积层和池化层，提取所述视频数据的视频特征，并降采样；

将所述池化层输出的所述视频数据的视频特征分别输入所述第一全连接层和所述第二全连接层，将提取到的所述视频特征映射到各个类别，分别获得第一logits向量和第二logits向量；所述第一全连接层和所述第二全连接层的参数不相同；

将所述第一logits向量输入所述Sigmoid层，计算获得所述视频数据属于各个视频类别的预测置信度；

将所述预测置信度和所述第二logits向量输入所述附加层，用所述预测置信度对所述第二logits向量进行加权计算，获得加权后的第二logits向量；

将所述加权后的第二logits向量输入所述Softmax层，计算获得所述视频数据属于视频各个类别的预测概率；

将所述视频数据属于各个视频类别的预测概率，输入所述输出层，根据所述预测概率以及预先设置的概率阈值，确定视频分类结果。

3.根据权利要求2所述的方法，其特征在于，所述数据分类模型，采用如下步骤训练获得：

获取多个训练样本；其中，每个训练样本包括样本数据以及该样本数据的监督信息；所述监督信息，包括：每个样本数据所属真实类别、每个样本数据属于各个类别的真实概率以及每个样本数据属于各个类别的真实置信度；

将预设数量个训练样本输入待训练卷积神经网络模型；所述待训练卷积神经网络模型为预设的初始卷积神经网络模型；

根据所述Sigmoid层输出的预测置信度、所述Softmax层输出的预测概率、各个输入的样本数据的监督信息以及待训练卷积神经网络的损失函数，确定损失值；所述待训练卷积神经网络的损失函数，是预先根据置信度交叉熵损失函数和分类交叉熵损失函数设置的；

根据所述损失值判断所述待训练卷积神经网络模型是否收敛；如果收敛，则所述待训练卷积神经网络模型为训练完成的数据分类模型；

如果未收敛，则分别调整所述待训练卷积神经网络模型中第一全连接层和第二全连接层的参数，并返回所述将预设数量个训练样本输入待训练卷积神经网络模型的步骤。